编辑推荐：
在学习和生活中，我们常接触各种序列信息。为探究人类如何构建序列抽象表征及该表征对记忆的作用，研究人员开展关于投影基序（Projectional Motifs）和变量基序（Variable Motifs）的研究。结果表明，训练这两类基序可提升回忆准确性，模型也验证了其有效性，这为理解人类抽象学习提供新视角。
在日常生活里，从聆听音乐捕捉旋律主题，到学习语言理解语法规则，再到解决数学问题运用符号概念，人们无时无刻不在与抽象概念打交道。我们能轻松识别贝多芬第五交响曲中如 “GGGE”“FFFD” 这样的主题，并感知其变化，也能将 “x” 理解为变量、“noun” 理解为包含多种事物的类别。但人类究竟是如何从感知到的序列中抽象出这些基序（motifs）的呢？这些抽象基序在记忆表征和信息传递方面又有哪些优势？在学习过程中，我们又是怎样构建这些抽象表征的？过往研究虽表明人类具备学习序列多方面特征的能力，比如在人工语法学习任务中能区分语法和非语法序列，婴儿也能识别序列的抽象结构，但仍未完全揭开人类抽象学习的神秘面纱。在此背景下，来自德国马克斯?普朗克生物控制论研究所（Max Planck Institute for Biological Cybernetics）和德国亥姆霍兹人工智能中心（Helmholtz Institute for Human-Centered AI）的研究人员开展了一项极具意义的研究，其成果发表在《Communications Psychology》上。
为了深入探究这些问题，研究人员聚焦于两种抽象基序：投影基序（Projectional Motifs）和变量基序（Variable Motifs）。投影基序是指通过投影函数从序列中提取的共享模式，比如不同序列 “ACCA” 和 “BEEB” 可映射为 “XYYX” 模式（X 代表序列中首次出现的独特元素，Y 代表第二个出现的元素）；变量基序则包含序列中的不变部分和可变部分，如序列 “AXCD” 和 “DXFE” 中，“X” 是可变元素，代表 A、C 或 E 等可能出现的实体 。研究人员提出假设，识别这些基序有助于简化长序列的记忆表征。为此，他们构建了一个结合联想学习、组块（chunking）和基序抽象的模型，并通过两个序列回忆实验进行验证。
在实验方法上，研究人员主要采用了以下关键技术：一是设计特定的序列记忆任务范式，在显示屏上依次呈现由不同颜色组成的序列，要求参与者记住序列并按键回忆，通过这种方式来测试参与者对不同类型序列的记忆和泛化能力；二是招募大量参与者，实验 1 从在线众包实验平台 Prolific 招募 135 人，实验 2 招募 120 人，保证了实验数据的可靠性；三是运用多种统计分析方法，如线性混合效应回归模型、逻辑回归模型等，对参与者的反应时间、回忆准确率等数据进行分析，以探究不同因素对序列学习和记忆的影响 。
实验 1 聚焦于投影基序的学习和转移。在训练阶段，参与者被分为两组接受投影基序训练（Motif 1 和 Motif 2），另一组作为对照组（Independent）。结果显示，基序训练组在训练阶段的序列回忆准确率显著高于对照组。通过模型模拟也得到了类似结果，且基序训练组回忆准确率提升速度更快。在转移阶段，研究发现参与者对与训练基序相同的新序列回忆更准确，对不同基序的新序列回忆也比对照组表现更好，这表明训练投影基序有助于记忆新序列，模型预测结果与参与者表现基本一致 。
实验 2 主要研究变量基序的学习和转移。参与者被分为变量基序组和固定组，变量基序组记忆含可变元素的序列，固定组记忆不变序列。训练阶段，固定组回忆准确率更高，因为序列中的可变部分会干扰记忆。但在转移阶段，变量基序组对含相同可变元素的新序列回忆表现更好，模型预测也证实了这一点。此外，研究还发现训练改进程度与转移阶段表现相关，变量基序训练改进越大，转移阶段表现越好 。
综合两个实验结果，研究人员得出结论：投影基序和变量基序都能促进序列记忆和对新序列的泛化。他们提出的基序学习模型能较好地解释人类在序列回忆任务中的行为，表明序列压缩通过抽象化是解释人类序列记忆表现的合理机制。
在讨论部分，研究人员指出，虽然当前人工智能系统在抽象能力上与人类存在差距，但理解人类抽象学习过程对人工智能发展意义重大。与过往研究相比，本研究中的关联学习模型和组块模型都无法完全解释人类在序列回忆中的抽象学习和转移现象，而本研究的基序学习模型考虑了抽象空间中的组块学习，更符合人类行为表现。不过，研究也存在一定局限性，如模型在不同基序间转移能力不如人类，未来可通过引入更新机制改进模型。同时，研究仅对比了模型生成准确性与人类行为，后续可从更多方面比较模型与人类行为差异，还可深入研究参与者的个性化学习策略 。
总体而言，这项研究为理解人类如何从观察序列中构建抽象表征提供了新的视角，有助于进一步探究人类认知过程和推动人工智能发展，在生命科学和认知心理学领域具有重要的理论和实践意义。
